共查询到17条相似文献，搜索用时 156 毫秒
1.
[目的/意义]通过对情感负荷理论的内涵、应用及相关研究发现的分析和总结,为国内同行进一步开展研究设计提供参考和借鉴。[方法/过程]通过文献调研与分析,追溯情感负荷理论提出的背景,对理论内涵进行阐述。并且,从理论形成之前、理论提出以及后续应用3个阶段对相关实证研究进行梳理,分析了该理论的形成发展过程,指出未来进一步研究方向。[结果/结论]情感负荷理论综合认知科学、情感神经科学、情感控制论和情感计算等多学科思想,从社会生物信息技术框架角度系统考察信息行为过程中的用户情感。情感负荷是一种消极的情绪,主要是刺激、焦虑、挫折、愤怒4种消极情绪随着时间压力而产生的一种不确定性。该理论被应用于虚拟图书馆、社交媒体等情境下对用户信息行为的研究。最后,指出未来研究方向。 相似文献
2.
[目的/意义]通过调研和梳理信息查询与检索领域情感相关的研究工作，梳理情感因素的界定和应用现状。[方法/过程]从情感视角出发，对国内外信息查询与检索领域中涉及情感的研究工作进行分析，从情感相关提法的概念、情感因素的类型、基于情绪理论的情感表示及其应用等角度进行分析。[结果/结论]情感相关提法多样，大致包括情感、情感因素两类，前者主要包括印象、情绪、情感、感情等。后者比前者更宽泛，还会涉及非情绪因素。总体而言，基于情绪理论界定和表示情感因素的研究最为普遍，大都沿用心理学中相关概念，较少进行严格区分。最后，从情感的概念、情感因素的类型、情感的测量与应用角度进行总结，并展望未来研究方向。 相似文献
3.
4.
[目的/意义]通过梳理图书情报领域情感研究的现状和发展脉络,以识别该主题范围的核心作者和重要文献,归纳总结相关研究框架及研究特点,并展望未来研究趋势。[方法/过程]以Web of Science、LISA、Google Scholar等数据库中图书情报领域情感研究文献为分析对象,借助HistCite软件对引文数据进行挖掘分析;采用内容分析法构建了情感研究框架。[结果/结论]图书情报领域情感研究处于快速发展期,人机交互及IT利用、信息行为中的情感研究是图书情报学者比较重视的研究方向,社交网络环境中的用户情感倾向识别是热点研究方向。图书情报情感研究还存在理论发展滞后、术语和分类体系混杂等问题需突破。 相似文献
5.
[目的/意义]在线评论蕴含评论者对商品的情感态度,成为潜在消费者购物决策的参考。分析用户对商品属性的情感表达与商品销售热度之间的关系,对用户和商家具有重要的实践和理论意义。[方法/过程]采用LDA主题模型抽取商品属性特征,并对这些属性进行情感极性分析,然后用多元线性回归方程探求商品属性的情感表达对在线商品销量排名之间的关联关系。[结果/结论]研究表明：反映商品"质"的特征属性更受用户的关注,其情感极性与商品的销量排名之间存在较高的正相关性。 相似文献
6.
[目的/意义]为更好地提升科技文献的语义丰富化效果,对国内外科技文献语篇元素标注模型、技术和方法进行调研总结,为文本挖掘、科技论文知识抽取、语义分析系统研究者提供借鉴。[方法/过程]利用学术网站搜索和相关数据库搜索引擎,对涉及科技论文标注、语篇元素、知识抽取、句子识别和自动文章分类等参考文献以及研究报告进行深入阅读和调研,对语篇元素自动标注模型以及相关工作进展进行研究总结。[结果/结论]科技文献语篇元素标注具有非常重要的实际应用价值,构建标注模型需充分考虑构建思想、标注领域和标注粒度以及标注技术手段等方面。 相似文献
7.
[目的/意义]基于图片的情感分析已逐渐成为情感分析的潜在研究热点。本文回顾与总结了图片情感分析的历史与现状,有助于相关研究工作的推进。[研究设计/方法]从传统的视觉情感分析方法和深度学习两个方向对图片情感分析相关研究的技术方法进行梳理并评述。[结论/发现]随着图片情感分析粒度的细化,进一步的研究方向在于深度学习算法和标注方式的优化;同时,加快带有情感标签图片数据集的开放进程,可以更好地推动研究者在此领域研究的不断深入。[创新/价值]深入梳理了图片情感分析现阶段的研究重点与未来发展方向,为该领域进一步研究提供相关借鉴。 相似文献
8.
9.
基于引文内容分析的引用情感识别研究 总被引：1，自引：0，他引：1
[目的/意义]针对自动识别论文引用情感问题,提出一种基于引文内容分析的识别方法并进行可视化展示,克服基于简单引用频次计量无法区分不同引用情感的问题。[方法/过程]首先,利用正则表达式抽取出论文全文中的引文内容信息;然后,利用TF-IDF算法筛选出引用情感特征词,结合情感词典,利用情感分析技术对引文内容进行引用情感识别;最后,利用可视化工具展示出引用情感整体分布情况。[结果/结论]该方法能够有效识别出抗衰老领域论文数据集中引用情感情况。实验结果显示,该领域正面引用占总引用次数的21%,中立引用占总引用次数的78%,负面引用仅占总引用次数的1%。与传统引文网络相比较,基于引用情感的可视化图谱可以有效识别出不同引用情感在整体数据集合上的分布情况。 相似文献
10.
[目的/意义]以用户情感为线索的图像检索已成为机器学习研究的热点，但图像情感特征标注的语料数据多来源于对图像低层特征的抽取，从而导致图像检索过程单一化和程式化。本文提出了一种基于深度学习的图像情感特征抽取的算法，将图像底层特征融合到图像的高层情感语义当中，为实现图像的情感语义检索提供了参考。[方法/过程]利用改进的卷积网络模型，将数据集图像的颜色、纹理作为输入，经多层运算自动提取图像的情感信息，并通过反向传播算法计算出改进后模型的情感检索准确率，构造出准确率较高且过拟合程度低的图像情感特征提取模型。[结果/结论]应用改进的卷积神经网络模型，实现了对图像情感特征的抽取，相较于原模型提升了10%的检索准确率。 相似文献
11.
[目的/意义]从定量分析和定性分析两个方面对英文网络书评进行内容挖掘,形成一套基于信息分类的英文网络书评的内容挖掘方法体系,实现多文本书评的信息整合。[方法/过程]对书评文本中句子的分类方法、关键信息的提取方法、情感分类的方法以及内容的呈现方式等几方面进行实验和改进。[结果/结论]用户评价结果表明,本文所设计的内容挖掘方法所生成的书评信息摘要在生成质量和有用性两方面都有较好的表现。 相似文献
12.
13.
情报分析计算化:背景、作用及关键问题 总被引：1，自引：0，他引：1
[目的/意义]从理论与实践的视角探讨情报分析计算化的背景、作用和关键问题。[方法/过程]梳理情报分析走向计算的发生背景和现象转变,对情报分析计算化的作用进行归纳总结,对发展计算型情报分析的关键问题进行探讨。[结果/结论]情报分析走向计算的产生主要源于由研究范式转变、资源数字化、信息技术以及计算方法的发展等,情报分析计算化可以解决人脑分析的自然局限、微观层次的不可观察性、分析速度等问题,在发展计算型情报分析过程中,理论体系、计算化思维、工作模式、数据资源建设等是目前值得关注的关键问题。 相似文献
14.
��[Purpose/significance] To construct a fine-grained sentiment analysis model for product reviews based on Word2Vec and CNN.[Method/process] This paper firstly applied Word2vec to build product feature vocabulary and noise vocabulary based on product reviews, secondly extracted the feature words from product reviews by the noise vocabulary, then classified the product reviews according to product features sentiment, finally realized product reviews clustering based on product features.[Result/conclusion] The model was trained and tested by the reviews of Huawei mobile phone on JingDong Mall,the results showed that the model could effectively realize fine-grained sentiment analysis of product reviews and find out users focus and satisfaction on product features. 相似文献
15.
基于Word2vec的情感分析在品牌认知中的应用研究 总被引：2，自引：0，他引：2
[目的/意义]通过基于Word2vec的文本情感分析技术对某显示器品牌的产品与服务的在线评论进行分析,研究消费者的品牌认知和品牌口碑,为管理者建立更科学的品牌管理体系提供有针对性的建议。[方法/过程]首先利用自然语言处理技术,对评论语料库进行预处理,结合深度学习的Word2vec词向量技术构建产品特征词和情感词词库,进一步构造情感概念对进行情感评分,并将其用于分析品牌产品特定特征的用户情感。[结果/结论]通过Word2vec构建的情感词典相较于传统方法（例如一般的情绪词表）进行情感分析,在情感分析的准确率上有所提高,再结合有效的情感概念对构造与情感评分,可以有效地理解用户的品牌认知。 相似文献
16.
17.
[目的/意义]以汽车论坛例，提出一种针对专业社交媒体文本的主题知识元抽取方法。[方法/过程]首先，通过LDA模型提取出汽车论坛中文本的主题，并进行去重，形成主题列表；其次，基于融合主题特征的深度学习模型T-LSTM模型构建适于汽车论坛本文的情感分析模型；然后，通过计算各词汇在图模型TextRank中的重要性与各词汇的Word2Vec主题相似度，抽取情感关键词与关键句，用于对文本主题与情感倾向的解释与补充；最后，对上述方法进行集成，输出结构化的主题知识元。[结果/结论]实验结果中，抽取得到的主题知识元合格率达到69.1%，表明本文提出的主题知识元抽取方法，能够围绕知识主题较为准确地抽取知识元，实现知识的结构化转换。 相似文献